人工智能软件的自我改进看似拥有无限潜力，因为它几乎没有复制成本，可以快速迭代。然而，这种增长最终会受到物理世界的严格限制。无论是电力供应、设备散热、芯片制造还是光学互连，这些现实世界的物理和经济成本构成了 AI 发展的根本瓶颈。这一趋势的具体表现包括：科技巨头正大力投资于共封装光学等硬件创新来突破算力墙；量子计算等前沿领域也因巨大的建厂成本而面临路线选择；同时，网络世界的机器人流量已首次超过人类，预示着一个由机器主导的新时代正在到来。
递归的悖论：软件无限，物理有限
一个概念叫“白痴指数”，即成品成本与其原材料成本的比率。对于软件来说，这个指数几乎为零，增加代码的边际成本可以忽略不计，这使得软件的自我迭代看似可以无限进行。
然而，支撑软件运行的原子和电子——电力、热量、晶圆厂、光学器件——拥有一个极其严酷的“白痴指数”和无法逾越的物理下限。
即使拥有先进的机器人和纳米组装技术，生成、移动和检测原子、电子和光子也永远存在成本，而且这个成本在总成本中的占比可能会越来越大。
Anthropic 公司认为，模型的递归式自我改进可能在任何人准备好之前就已到来。
- 模型构建模型： 核心观点是，当一个模型变得足够擅长构建下一个更强的模型时，就会引发“智能爆炸”。
- 进度指标： Anthropic 正使用 METR 的时间跨度指标来衡量模型能独立完成任务的时长，预计到 2027 年将达到“周”的级别。
- 物理瓶颈： 尽管模型能力飞速发展，但这一切都需要在物理设备上运行。电网的建设速度跟不上模型的迭代速度，到 2027 年，限制发展的很可能是 电力和散热，而非模型本身或芯片。
构建机器的机器
AI 的自我完善循环不仅体现在软件上，也开始延伸到硬件领域。以 NVIDIA 为例，它正在将 AI 应用于设计和制造更强大的硬件。
- AI 设计芯片： NVIDIA 的
cuLitho计算光刻平台利用 AI 加速芯片掩膜的计算工作，将芯片设计的一部分交由 AI 完成。 - 光子互连： 它开始出货
Spectrum-X共封装光学（CPO）交换机。CPO 技术将光学引擎直接集成到交换机芯片旁边，以光代替电进行高速数据传输。
如今数据中心的瓶颈是 互连，而不是芯片。
为了解决这个问题，需要将电信号转换为光信号的光学器件尽可能靠近芯片。CPO 技术正是为此而生，它能缩短电信号传输距离，从而降低功耗、增加带宽。这已成为行业共识，包括 Broadcom 和 Marvell 在内的多家公司都在大力投入，整个光学供应链的价值正在被重估。
量子计算：缓慢的赛道
与 AI 的飞速发展相比，量子计算的进展要缓慢得多，但它同样揭示了物理和资本的巨大投入。
IBM 宣布将在五年内投入超过 100 亿美元，用于构建一台名为 “Starling” 的容错量子计算机。这笔巨额投资的重点是建立一个独立的量子晶圆代工厂。同时，另一家公司 IonQ 也直接收购了一家晶圆厂，以确保其生产线。
这两种不同的策略都指向同一个事实：即使是技术路径不同的量子计算公司，也认识到 拥有或能够稳定使用晶圆厂 至关重要。
以下是几种主要的量子计算技术路线：
- 超导 (Superconducting): 技术最成熟，但需要接近绝对零度的极低温环境。
- 离子阱 (Trapped-ion): 保真度高，但速度较慢。
- 光子 (Photonic): 可在室温下工作，与光纤天然兼容。
- 硅自旋 (Silicon-spin): 与传统半导体工艺最接近，对晶圆厂最友好。
- 其他路线： 包括中性原子、金刚石 NV 色心、拓扑量子计算等，各有优劣。
这让我认为，对晶圆厂友好的架构（如硅自旋和光子）拥有结构性优势：可以免费利用整个半导体行业的资本支出。
选择自建晶圆厂的垂直整合模式成本高昂，而利用现有半导体产业链的水平整合模式资本支出较低。这场竞赛的胜负，很大程度上取决于谁能更好地平衡技术创新与制造成本。
机器网络：当机器人超过人类
AI 发展的直接后果之一，是互联网的结构正在发生根本性改变。根据 Cloudflare 的数据，网络上的机器人请求流量 首次超过了人类，占比达到 57.5%。这一转变比原先预测的 2027 年提前了整整 18 个月。
这意味着互联网正在从“人类的网络”转变为“机器的网络”。
- 商业模式挑战： 当大部分流量由从不看广告的机器产生时，以广告为基础的商业模式将受到严重冲击。
- 新的价值点： 机器人检测和“证明你是人类”的服务将变得越来越重要。
- 根本瓶颈： 无论是单个聊天机器人的调用，还是成群结队的 AI 代理，其最终的瓶颈依然是 能源。
这个趋势的明显赢家之一是像 Cloudflare 这样的基础设施公司，它们可以通过向机器人流量收费来获利。